经过差不多两年的研发，我们在 AI 大模型测试领域做了不少探索，在这里权当抛砖引玉，给大家分享一下我们平台建设的一点思路。

最初，我们的是为某个客户开发了一套可以在本地运行的 Python 程序的客户端，整个系统采用 CS 架构。前端用 Electron 实现封装，后端采用了 SpringBoot。

随着大模型的兴起，我们团队在意识到这个 Python 客户端也可以用来跑自动化测试，初步使用 browser-use 试验了一下，效果还很不错，于是我们正式立项，开发基于大模型的自动化测试平台。

平台起初的构想是使用 AI 生成测试用例，然后 AI 实现测试用例的自动评审，然后 AI 通过测试用例中的实施步骤，实现自主功能性测试。

整个项目依然采用了 CS 架构，为了尽快实现，我们采用了开源的 Metersphere 作为基础测试平台，在此基础上进行了开发。

实际上在我们加入 AI 之前，Metersphere 已经加入了一些基础的 AI 功能，我们在此基础上进行了增强。

目前我们支持 Word、PDF、Markdown、Axure、蓝湖等导出的 HTML 生成测试用例，但是实际生成的效果时好时坏。

后来我们意识到还是得优化提示词，但是客户的系统千差万别，很难提供一个统一的系统提示词，因此在此基础上，我们又开发了提示词管理功能：

提示词这里，我们有几个创新点，可以和大家分享一下：

第一个是我们首创了通过历史的需求文档和测试用例来反推提示词。

别说，这样一来效果还是非常惊人的。

测试生成的时候，我们采用了流式输出，效果还是很不错的 ：）

另外，我们也针对不同的场景，提供了自定义提示词功能，比如从需求导入，到 AI 执行功能测试的时候的提示词都可以自定义。

在使用 AI 执行浏览器自动化脚本的时候，我们也提供了丰富的日志信息，更牛的一点是，** 我们可以在 AI 执行自动化脚本的时候，自动收集当前页面的 API**，
这下可以让大家彻底的从接口测试里面解放出来。

我们甚至还为开发人员，贴心的开发了一款 Cursor 插件，让大家可以在编程工具里面，直接调用我们的测试用例，生成代码。

以上是我们在 AI 测试方面的一些探索，有兴趣的朋友可以和我联系，我们一起改进产品。

另外产品是可以免费试用的哦，我们主要是针对 2B 客户的，也请 B 端的客户，和我们联系，共同推进 AI 大模型测试的进步。